欢迎来到 fastai

安装

您无需安装即可使用 fastai，只需通过 Google Colab 即可。事实上，本文档的每一页都以交互式笔记本的形式提供——点击任意页面顶部的“在 Colab 中打开”即可打开（请务必将 Colab 运行时环境设置为“GPU”，以确保快速运行！）。有关更多信息，请参阅 fast.ai 文档中的 使用 Colab 部分。

您也可以在自己的机器上通过 pip install fastai 来安装 fastai。

为了确保您的机器上拥有最新版本的 PyTorch，建议先按照 官方指南 进行安装。

如果您计划自行开发 fastai，或希望始终处于技术前沿，可以采用可编辑安装方式（如果选择这种方式，还应同时对 fastcore 进行可编辑安装）。首先安装 PyTorch，然后执行以下命令：

git clone https://github.com/fastai/fastai
pip install -e "fastai[dev]"

学习 fastai

开始学习 fastai（以及深度学习）的最佳方式是阅读 这本书，并完成 免费课程。

要了解 fastai 的强大功能，请查看 快速入门，其中展示了如何仅用约 5 行代码构建图像分类器、图像分割模型、文本情感分析模型、推荐系统和表格数据模型。对于每种应用场景，代码都非常相似。

浏览 教程，学习如何在自己的数据集上训练模型。使用导航侧边栏查阅 fastai 的完整文档。这里的每个类、函数和方法都有详细说明。

如需了解该库的设计理念和动机，请阅读 同行评审论文。

关于 fastai

fastai 是一个深度学习库，它为从业者提供了高层次组件，能够快速轻松地在标准深度学习领域取得最先进的成果；同时也为研究人员提供了低层次组件，可供自由组合以构建新的方法。其目标是在易用性、灵活性和性能之间不作重大妥协的情况下实现这两点。这得益于精心设计的分层架构，该架构将许多深度学习和数据处理技术中常见的底层模式抽象为解耦的模块。这些抽象可以通过利用 Python 语言的动态特性和 PyTorch 库的灵活性，以简洁明了的方式表达出来。fastai 包括：

• 一种面向 Python 的新型类型调度系统，以及张量的语义类型层次结构
• 一个可在纯 Python 中扩展的 GPU 优化计算机视觉库
• 一种优化器，它将现代优化器的通用功能提炼为两个基本部分，使优化算法仅需 4–5 行代码即可实现
• 一种新颖的双向回调系统，可在训练过程中的任何时刻访问和修改数据、模型或优化器的任何部分
• 一个新的数据块 API
• 以及更多……

fastai 围绕两大设计目标组织：既易于上手且高效，又具有高度可扩展性和可配置性。它建立在一系列低层次 API 之上，这些 API 提供了可组合的构建模块。这样一来，用户若想重写高层 API 的一部分，或添加特定行为以满足自身需求，就不必深入学习最底层的细节。

从其他库迁移

从原生 PyTorch、Ignite 或任何其他基于 PyTorch 的库迁移非常容易，甚至可以在使用 fastai 的同时与其他库结合使用。通常，您可以继续使用现有的数据处理代码，但用于训练的代码量会大幅减少，并且更容易采用现代最佳实践。以下是一些常用库的迁移指南，可帮助您顺利过渡：

• 原生 PyTorch
• Ignite
• Lightning
• Catalyst

Windows 支持

由于 Jupyter 和 Windows 上的 Python 多进程问题，Dataloader 的 num_workers 参数会自动重置为 0，以避免 Jupyter 崩溃。这使得在 Windows 上使用 Jupyter 进行计算机视觉等任务的速度比在 Linux 上慢得多。不过，如果直接从脚本中使用 fastai，则不存在这一限制。

请参阅 此示例，以充分利用 fastai 在 Windows 上的功能。

我们建议改用 Windows Subsystem for Linux (WSL)——这样您就可以采用常规的 Linux 安装方式，并且不会遇到 num_workers 相关的问题。

测试

要并行运行测试，请执行：

nbdev_test

为确保所有测试通过，您需要安装 settings.ini 中 dev_requirements 所列的依赖项：

pip install -e .[dev]

测试使用 nbdev 编写，例如 test_eq 的文档。

贡献

克隆本仓库后，请确保在终端中运行过 nbdev_install_hooks。此命令会安装 Jupyter 和 Git 钩子，以便自动清理、信任并解决笔记本中的合并冲突。

在仓库中做出更改后，应运行 nbdev_prepare，并进行必要的调整，以通过所有测试。

Docker 容器

对于有兴趣使用本项目官方 Docker 容器的用户，可以在此处找到：fastai Docker 容器。

fastai 快速上手指南

fastai 是一个基于 PyTorch 的深度学习库，旨在让从业者通过少量代码快速获得业界领先的结果，同时为研究者提供灵活的低层组件以构建新方法。

环境准备

• 系统要求：支持 Linux、macOS 和 Windows（Windows 用户建议在 Jupyter 中使用时配置 num_workers=0，或推荐使用 WSL 以获得最佳性能）。
• 前置依赖：
  • Python 3.6+
  • PyTorch：建议优先安装适合你机器环境的最新 PyTorch 版本，以确保获得最佳性能。
  • 硬件：推荐使用带有 GPU 的环境进行加速训练。

提示：无需本地安装即可体验，可直接使用 Google Colab（记得将运行时更改为"GPU"）。

安装步骤

1. 安装 PyTorch

请访问 PyTorch 官网 获取适合你环境的安装命令并先行安装。

(注：国内用户若访问官网缓慢，可尝试使用清华源或阿里源安装 PyTorch，例如：pip install torch torchvision torchaudio --index-url https://pypi.tuna.tsinghua.edu.cn/simple)

2. 安装 fastai

使用 pip 进行标准安装：

pip install fastai

3. 开发者安装（可选）

如果你计划参与 fastai 开发或使用最新边缘功能，建议使用可编辑模式安装（需先安装 PyTorch）：

git clone https://github.com/fastai/fastai
pip install -e "fastai[dev]"

注意：开发者模式下，建议同时也对 fastcore 进行可编辑安装。

基本使用

fastai 的核心优势在于其高层 API 的一致性。仅需约 5 行代码，即可完成图像分类、分割、文本情感分析、推荐系统或表格模型的任务。

以下是一个构建图像分类器的最简示例：

from fastai.vision.all import *

# 1. 准备数据 (使用内置数据集或指定路径)
path = untar_data(URLs.PETS)
dls = ImageDataLoaders.from_name_re(
    path, get_image_files(path/"images"), pat=r'(.+)_\d+.jpg$', item_tfms=Resize(224)
)

# 2. 创建学习器 (使用预训练模型 resnet34)
learn = vision_learner(dls, resnet34, metrics=error_rate)

# 3. 微调模型
learn.fine_tune(1)

# 4. 预测
img = PILImage.create(path/"images/British_Shorthair_12.jpg")
pred, pred_idx, probs = learn.predict(img)
print(f"Prediction: {pred}, Probability: {probs[pred_idx]:.4f}")

下一步学习建议：

• 阅读官方文档中的 Quick Start 查看更多应用场景。
• 参考 Tutorials 学习如何在自定义数据集上训练模型。
• 深入学习可参阅《Deep Learning for Coders with fastai and PyTorch》书籍或免费课程。